/**
* Cue - 认知线索（记忆网络节点）
*
* ## 设计理念
*
* Cue是整个认知系统的原子单位，代表一个最小的认知概念。
* 基于认知心理学的"线索依赖记忆"（Cue-dependent memory）理论：
* - 记忆不是孤立存储的，而是通过线索（cue）相互连接
* - 一个线索被激活时，会激活与其相连的其他线索
* - 连接的强度（权重）决定了激活传播的概率和强度
*
* ## 为什么这样设计
*
* 1. **去中心化的连接管理**
* - 每个Cue管理自己的出边（connections），像神经元管理自己的突触
* - 避免了中央连接表的复杂性，符合生物神经网络的结构
* - 便于并行处理和局部更新
*
* 2. **极简的数据结构**
* - 只存储word（概念）和connections（连接）
* - 不存储原始内容，因为：
* a) 大模型本身就能理解word的语义
* b) 记忆本身就是模糊的、重构性的
* c) 节省存储空间，提高检索效率
*
* 3. **单向连接设计**
* - connections只记录出边，不记录入边
* - 原因：认知过程是有方向的（从A想到B，不一定从B想到A）
* - 简化了数据结构，避免了双向同步的复杂性
*
* ## 数据结构说明
*
* ```javascript
* {
* word: "认知", // 概念本身
* connections: Map { // 出边集合
* "模型" => 1234567890.5, // 目标词 => 权重（时间戳*衰减因子）
* "理解" => 1234567880.3
* }
* }
* ```
*
* ## 权重的含义
*
* 权重不是简单的强度值，而是编码了多个维度的信息：
* - 时间信息：通过时间戳基数体现新旧
* - 位置信息：通过位置衰减体现序列中的重要性
* - 网络信息：通过出度调整体现节点的hub特性
*
* @class Cue
*/
class Cue {
/**
* 创建一个新的Cue节点
*
* @param {string} word - 概念词，作为节点的唯一标识
*
* @example
* const cue = new Cue("认知");
* cue.connections.set("模型", 1234567890);
*/
constructor(word) {
/**
* 概念词 - Cue的核心标识
*
* 设计考虑：
* - 使用词而不是ID，便于理解和调试
* - 词本身就携带语义信息，大模型可以直接理解
* - 支持任何语言的词汇（中文、英文、混合）
*
* @type {string}
*/
this.word = word;
/**
* 连接映射表 - 管理所有出边
*
* 数据结构：Map<targetWord, weight>
* - key: 目标Cue的word
* - value: 连接权重（number）
*
* 为什么用Map而不是Object：
* - Map的键可以是任何类型（虽然这里是string）
* - Map保持插入顺序（便于按时间顺序遍历）
* - Map有更好的性能（频繁增删改查）
* - Map有size属性（便于计算出度）
*
* @type {Map<string, number>}
*/
this.connections = new Map();
}
/**
* 获取节点的出度（连接到多少个其他节点）
*
* 出度的意义：
* - 高出度 = 枢纽节点（hub），概念发散性强
* - 低出度 = 专门节点，概念专一性强
*
* @returns {number} 出边数量
*/
getOutDegree() {
return this.connections.size;
}
/**
* 获取最强连接（权重最高的出边）
*
* 用途：
* - Prime时选择默认激活路径
* - Recall时决定主要扩散方向
*
* @returns {{word: string, weight: number}|null} 最强连接信息
*/
getStrongestConnection() {
if (this.connections.size === 0) return null;
let maxWeight = -Infinity;
let strongestWord = null;
for (const [word, weight] of this.connections) {
if (weight > maxWeight) {
maxWeight = weight;
strongestWord = word;
}
}
return { word: strongestWord, weight: maxWeight };
}
/**
* 获取按权重排序的连接列表
*
* @param {number} limit - 返回前N个连接
* @returns {Array<{word: string, weight: number}>} 排序后的连接列表
*/
getSortedConnections(limit = Infinity) {
return Array.from(this.connections.entries())
.map(([word, weight]) => ({ word, weight }))
.sort((a, b) => b.weight - a.weight)
.slice(0, limit);
}
/**
* 序列化为JSON对象（用于持久化）
*
* @returns {Object} 可序列化的对象
*/
toJSON() {
return {
word: this.word,
connections: Array.from(this.connections.entries()).map(([target, weight]) => ({
target,
weight
}))
};
}
/**
* 从JSON对象恢复（用于加载）
*
* @param {Object} json - 序列化的对象
* @returns {Cue} 恢复的Cue实例
*/
static fromJSON(json) {
const cue = new Cue(json.word);
if (json.connections) {
for (const conn of json.connections) {
cue.connections.set(conn.target, conn.weight);
}
}
return cue;
}
}
module.exports = Cue;
